基于 skd-tree 的内存多维索引
计算机视觉与模式识别
2026-05-12 v2
摘要
本文重访内存中多维数据索引的问题，以高效支持多维范围查询和最近邻查询。这是主存数据库中的经典问题，需要同时索引多个列。已建立的数据结构包括 R-tree、kd-tree、quad-tree 和基于网格的分区。更近期，多维学习索引也被提出以解决这一问题。我们提出一种切片 kd-tree（skd-tree），即 kd-tree 的一种变体，其中每个节点将其子树的空间划分为单个分割维度上的多个切片。通过压缩分割器并借助数据并行，我们（i）显著减少树的层数，（ii）限制了多维范围和最近邻查询所需的计算次数。skd-tree 的节点类似于主存 B+-tree 的节点，但每个层级使用不同的维度。我们提出的 skd-tree 的新型范围和 kNN 算法在遍历树的每个节点时仅应用少量常数数量的 SIMD 指令。我们的贡献还包括一种新颖的自上而下构建算法、不同类型的内部和叶节点以保证树平衡，以及一种新颖的更新算法。我们的 skd-tree 在实验评估中表现优于现有方法，无论是真实数据集还是合成数据集。
引用
@article{arxiv.2605.03639,
title = {Diffusion Masked Pretraining for Dynamic Point Cloud},
author = {Zhuoyue Zhang and Jihua Zhu and Chaowei Fang and Jian Liu and Ajmal Saeed Mian},
journal= {arXiv preprint arXiv:2605.03639},
year = {2026}
}